## Warning: package 'lattice' was built under R version 4.3.3

1 Materiales y Métodos

1.1 Descripción del área de estudio

La Cuenca Pacífica Colombiana está ubicada entre los 1°30’ - 7°10’ N y los 77°40’ - 84°00’ O (CCCP, 2002), limita al norte con el golfo y el istmo de Panamá, al sur con la Zona Económica Exclusiva (ZEE) Ecuatoriana y la dorsal de Carnegie, al oeste con la ZEE de Costa Rica y la dorsal de Cocos y al Este con el litoral Colombiano y la depresión de Yaquina (Lizano, 2001; Pazmiño and Michaud, 2009). Esta área se encuentra dentro de la ecorregión de la Bahía de Panamá (Panama Bight) en la provincia de Pacífico Oriental Tropical (POT) (Spalding et al. 2007) (Figura suplementaria 1).

Figura suplementaria 1. Área de estudio con las estaciones muestreadas en la épocas del jet de Panamá y el jet del Chocó, resaltando la ecorregión de la bahía de Panamá y los límites de la zona económica exclusiva del pacífico Colombiano.

Esta provincia se caracteriza por la influencia de grandes “piscinas” de aguas cálidas, la formación de tormentas tropicales y la presencia de jets de vientos de bajo nivel que se activan por temporadas, como los de Tehuantepec, Papagayo y Panamá (Amador et al. 2006). El régimen de vientos alisios del sur sobre el Pacífico tropical oriental converge generalmente hacia la ITCZ al norte del ecuador (Amador et al. 2006), pero cerca de la costa de América del Sur se vuelve del oeste, formando el jet del Chocó (Poveda and Mesa 2000), que penetra en el oeste de Colombia y varía en intensidad según la temporada y los episodios de ENSO (Poveda and Mesa 2000). Este jet, junto con el jet de Bajo Nivel de Panamá, que es más fuerte y se forma en el invierno boreal, influye significativamente en los patrones de precipitación y dinámica atmosférica en la región (Amador et al. 2006). Ambos jets están asociados con la advección de humedad y actividad convectiva profunda, afectando los patrones de lluvias y fenómenos meteorológicos severos en Sudamérica y Centroamérica (Amador et al. 2006) (Figura suplementaria 2).

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Vientos_Total.png")

Figura suplementaria 2. Comportamiento del promedio diario de la velocidad (\(m.s^{-1}\)) vientos dividido en cuatro trimestres del año 2019. Datos obtenidos del Copernicus Marine Service.

Estos jets de vientos influencian también en las corrientes y el desplazamiento de las aguas superficiales de toda la región (Figura suplementaria 3) creando una zona de surgencia en el centro de la ZZE de Colombia. En la costa del Pacífico colombiano, existe una corriente que va desde el sur hasta el norte la cual se intensifica en la costa norte del país (Martı́nez Aguilar, Giraldo López, and Rodrı́guez Rubio 2007).

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Corrientes_Total.png")

Figura suplementaria 3. Comportamiento del promedio diario de la velocidad (\(m.s^{-1}\)) de las corrientes dividido en cuatro trimestres del año 2019. Datos obtenidos del Copernicus Marine Service.

El comportamiento de la temperatura está relacionada directamente con los jets de vientos, mostrando un enfriamiento durante el primer trimestre de año y un calentamiento en los demás trimestres, acentuandose en el tercer trimestre (Figura suplementaria 4).

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Temperatura_Total.png")

Figura suplementaria 4. Comportamiento del promedio diario de la temperatura superficial del mar (\(°C\)) dividido en cuatro trimestres del año 2019. Datos obtenidos del Copernicus Marine Service.

1.2 Toma de datos y procesamiento de muestras

En el proyecto se planificó la toma de muestras en 32 estaciones para cada época climática, ubicadas en la ecorregión de la bahía de Panamá, distribuidas a lo largo de la zona económica exclusiva de Colombia. El primer crucero se realizó en el buque oceanográfico de la Dirección General Marítima, ARC Roncador, y el segundo crucero en el buque oceanográfico ARC Providencia (Figura suplementaria 5). Debido a problemas logísticos durante el primer período (marzo-abril de 2019), no se pudo tomar la totalidad de las 32 muestras previstas, recolectándose solo 24 muestras.

knitr::include_graphics("Buques.png")

Figura suplementaria 5. Buques oceanográficos de la Dirección General Marítima utilizados durante la realización de los cruceros.

1.2.1 Datos Fisicoquímicos

Para la medición de las variables de temperatura [\(°C\)], salinidad [\(PSU\)] y oxígeno disuelto [\(mg.O_{2}.L^{-1}\)] se tomaron perfiles en la porción epipelágica en cada una de las estaciones de la grilla CPC (Figura Suplementaria 1) utilizando un CTDO SeaBird 25Plus para la época del jet de Panamá y el CTDO SeaBird 19Plus para la época del jet del Chocó.

Para las muestras químicas se utilizaron botellas Niskin de 10 L, esto con la finalidad de realizar ensayos para determinar el amonio [\(NH^-_4\)], nitritos [\(NO^-_2\)], nitratos [\(NO^-_3\)], fosfatos [\(PO^{-3}_4\)] y los silicatos [\(SiO_2\)] en laboratorio.

1.2.2 Biológicos

Las muestras biológicas se obtuvieron mediante arrastres horizontales superficiales utilizando una red Bongo con un diámetro de boca de 60 cm y mallas de 330 \(\mu m\) y 525 \(\mu m\) Cada arrastre se realizó durante 5 minutos a una velocidad de 2 nudos, y cada red estaba equipada con un flujómetro General Oceanics para poder calcular el agua filtrada final. Una vez terminado el arrastre, se tomó un litro de muestra y se fijó con formol al 5%. Estas se conservaron y se llevaron al laboratorio del Centro de Investigaciones Oceanográficas e Hidrográficas del Pacífico para su análisis. En total se analizaron 56 muestras, de las cuales se separaron ejemplares pertenecientes a la familia Pontellidae (Crustacea: Copepoda).

1.3 Análisis exploratorio de datos

1.3.1 Composición Taxonómica

1.3.2 Densidad de especies

La densidad de especies se analizó mediante una curva de rango-abundancia utilizando el paquete vegan (Oksanen et al. 2022) de R (R Core Team 2023). En esta gráfica se ajustaron cinco tipos de modelos de distribución de abundancia: el modelo Null o de vara quebrada, propuesto por MacArthur, que asume que las especies se distribuyen en el espacio de recursos de manera que minimizan la competencia entre ellas (MacArthur 1957); el modelo Log-normal, que sugiere que la abundancia de las especies sigue una distribución log-normal, común en muchas comunidades naturales (Magurran 2005); el modelo Preemption o distribución geométrica, que supone que cada especie ocupa un rango proporcionalmente decreciente del recurso disponible (He and Tang 2008); el modelo Zipf, que indica que la especie más abundante es aproximadamente el doble de abundante que la segunda especie más abundante, el triple que la tercera, y así sucesivamente (Spatharis and Tsirtsis 2013; Zipf 2016); y el modelo Mandelbrot, que ajusta la ley de Zipf incorporando parámetros adicionales para una mejor correspondencia con datos empíricos (Spatharis and Tsirtsis 2013).

Estos ajustes se realizaron para la abundancia total de las especies de Pontellidae en el año 2019 y para cada temporada, comparando la distribución de frecuencias de las especies (Stevens et al. 2009).

1.3.3 Medidas de Diversidad

Para describir la diversidad de la familia Pontellidae en las temporadas y en las estaciones se usaron como medidas los números de Hill (1973) los cuáles son una familia de índices de diversidad que ofrecen una manera unificada de medir la diversidad de especies en una comunidad ecológica (Lou Jost 2006; L. Jost 2007).

Los números de Hill se definen por un parámetro \(q\) que ajusta la sensibilidad del índice a las abundancias relativas de las especies, esta sensibilidad se define a través de la formula:

\(^qD = \left( \sum_{i=1}^S p_i^q \right)^{\frac{1}{1-q}}\)

Donde:

\(^qD\) es el número de Hill de orden \(q\).

\(S\) es el número total de especies en la comunidad.

\(p_i\)​ es la proporción de la i-ésima especie en la comunidad.

\(q\) es el parámetro que controla la ponderación de las especies según su abundancia.

En los números de Hill el orden cero de la diversidad (\(q_0\)) se convierte en la riqueza de especies (\(S\)), ya que todas las especies se cuentan por igual, independientemente de su abundancia. El orden uno (\(q_1\)) se relaciona con el índice de Shannon, pero como una exponencial de este índice (\(e^{H′}\)), donde \(H′\) es el índice de Shannon. En este caso, las especies se ponderan de acuerdo a su proporción en la comunidad y el orden dos (\(q_2\)) se convierte en el inverso del índice de Simpson (\(1/λ\)), lo que da más peso a las especies comunes y menos a las raras.

Para el cálculo de los tres ordenes de diversidad de los números de Hill (1973) se usó el paquete vegan (Oksanen et al. 2022) de R (R Core Team 2023) y para la construcción de los perfiles de diversidad se usó el paquete gráfico ggplot (Wickham 2016). Para el cálculo de la diversidad estimada se usó el paquete iNEXT (Chao et al. 2014) que permite la comparación entre grupos basados en el mismo esfuerzo de muestreo.

1.3.4 Composición

Para evaluar la composición, se realizaron tres tipos de análisis. El primero fue el Análisis de Similitud (ANOSIM), el cual se basa en matrices de distancia/similitud en lugar de supuestos paramétricos sobre la distribución de los datos (Stevens et al. 2009). Para la construcción de este análisis, se utilizó la medida de distancia de Bray-Curtis, y fue llevado a cabo utilizando el paquete vegan (Oksanen et al. 2022) de R (R Core Team 2023).

Otro análisis que se utilizó para la composición fue el Escalamiento Multidimensional No-Métrico (NMDS) el cual permite reducirs la complejidad de los datos a un espacio de menor dimensión (2D) y presentar una gráfica descriptiva de las relaciones de dichas dimensiones basadas en una matriz de similitud (Stevens et al. 2009).

El SIMPER (Similarity Percentage analysis) es una técnica utilizada en ecología y análisis de comunidades para identificar las especies que más contribuyen a las diferencias entre grupos de muestras (Bakker 2024). Calcula la contribución relativa de cada especie comparando la composición de especies entre grupos y ponderándola por la similitud o distancia entre las muestras. Esto permite clasificar las especies según su impacto en las diferencias observadas, identificando aquellas que son más informativas para explicar la variación en la estructura de la comunidad.

1.4 Variables Oceanográficas

1.4.1 Variables fisicoquímicas medidas en campo

1.4.2 Variables fisicoquímicas obtenidas de sensores remotos

Para la descarga de los datos desde el copernicus se construyó una función para la obtención de los datos:


import copernicusmarine



"""
Función para descargar los datos
"""

def descarga_datos(variable, fechaInicio, fechaFinal, idDataset, nombreArchivoSalida, password):
            copernicusmarine.subset(
                username= "nombre_Usuario",
                dataset_id=idDataset,
                variables=[variable],
                minimum_longitude=-85,
                maximum_longitude=-76,
                minimum_latitude=0,
                maximum_latitude=10,
                password=password,
                start_datetime=fechaInicio,
                end_datetime=fechaFinal,
                minimum_depth=0,
                maximum_depth=0,
                output_filename = nombreArchivoSalida,
                output_directory = "E:/Pasantias/Tesis_Fabio/Analisis/Pontellidae/Analisis/Datos/Datos_Externos"
            )


"""
Descarga de los datos de Panamá
"""
#Blue ocean
descarga_datos("thetao", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_sea_water_potential_temperature.nc", "password")
descarga_datos("so", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_sea_water_salinity.nc", "password")
descarga_datos("uo", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_eastward_sea_water_velocity.nc", "password")
descarga_datos("vo", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_northward_sea_water_velocity.nc", "password")
descarga_datos("zos", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_sea_surface_height_above_geoid.nc", "password")
descarga_datos("mlotst", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Panama_Mixed_layer_thickness.nc", "password")

#Green Ocean
descarga_datos("zooc", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Panama_mass_content_of_zooplankton_expressed_as_carbon_in_sea_water.nc", "password")
descarga_datos("npp", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Panama_net_primary_productivity_of_biomass_expressed_as_carbon_in_sea_water.nc", "password")
descarga_datos("zeu", "2019-03-15T00:00:00", "2019-04-03T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Panama_euphotic_zone_depth.nc", "password")


"""
Descarga de los datos de Chocó
"""
#Blue ocean
descarga_datos("thetao", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_sea_water_potential_temperature.nc", "password")
descarga_datos("so", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_sea_water_salinity.nc", "password")
descarga_datos("uo", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_eastward_sea_water_velocity.nc", "password")
descarga_datos("vo", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_northward_sea_water_velocity.nc", "password")
descarga_datos("zos", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_sea_surface_height_above_geoid.nc", "password")
descarga_datos("mlotst", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_phy_my_0.083deg_P1D-m", "Choco_Mixed_layer_thickness.nc", "password")

#Green Ocean
descarga_datos("zooc", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Choco_mass_content_of_zooplankton_expressed_as_carbon_in_sea_water.nc", "password")
descarga_datos("npp", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Choco_net_primary_productivity_of_biomass_expressed_as_carbon_in_sea_water.nc", "password")
descarga_datos("zeu", "2019-09-15T00:00:00", "2019-10-11T23:59:59","cmems_mod_glo_bgc_my_0.083deg-lmtl_PT1D-i", "Choco_euphotic_zone_depth.nc", "password")

1.4.2.1 Comportamiento de las variables oceanográficas

1.4.2.2 Estadísticas descriptivas

1.4.2.3 Correlaciones entre variables

1.5 Análisis espacial

1.5.1 Análisis espacial de la diversidad

1.5.2 Análisis espacial de la densidad

1.5.3 Análisis espacial de la composición

1.6 Modelación

1.6.1 Modelación de la diversidad

1.6.2 Modelación de la densidad

1.6.3 Modelación de la composición

2 Análisis Exploratorio de Datos.

2.1 Composición taxonómica

En este estudio se colectaron un total de 5 géneros y 22 especies : 2 especies de Calanopia, 10 especies de Labidocera, 7 especies de Pontella, 3 especies de Pontellina y 4 especies de Pontellopsis. De estas especies se registraron por primera vez en Colombia 8 especies: Calanopia elliptica Dana, 1849, Labidocera churaumi (Hirabayashi, 2014) , Labidocera sinilobata (Shen & Lee, 1963), Pontella danae (Giesbrecht, 1889), Pontella fera  (Dana, 1849), Pontella spinicauda (Mori, 1937), Pontellina morii (Fleminger & Hulsemann, 1974) y Pontellopsis lubbocki (Giesbrecht, 1889).

Tabla suplementaria 1. Copépodos de la familia Pontellidae en la cuenca Pacífica Colombiana. * Nuevo registro de especie en aguas Colombiana.

Especies Chaverra, 2023 Jerez-Guerrero et.al 2019 Dorado Roncancio, 2018 Jerez-Guerrero et.al 2017 INVEMAR, 2010
Calanopia elliptica Dana, 1849 * X
Calanopia minor Scott A., 1902  X X X X
Labidocera acuta (Dana, 1849)  X X X X X
Labidocera acutifrons (Dana, 1849) X X
Labidocera aestiva Wheeler, 1901 X X
Labidocera churaumi (Hirabayashi, 2014) * X
Labidocera detruncata (Dana, 1849)  X X X X
Labidocera johnsoni (Fleminger, 1964) X
Labidocera minuta (Giesbrecht, 1889) X
Labidocera nerii (Krøyer, 1849) X X
Labidocera sinilobata (Shen & Lee, 1963) * X
Labidocera trispinosa (Esterly, 1905) X
Pontella atlantica (H. Milne Edwards, 1840) X X
Pontella danae (Giesbrecht, 1889) * X
Pontella fera  (Dana, 1849) * X
Pontella mimocerami Fleminger, 1957 X X
Pontella spinicauda (Mori, 1937) * X
Pontella spinipes Giesbrecht, 1889 X X
Pontella valida Dana, 1853 X
Pontellina morii (Fleminger & Hulsemann, 1974) * X
Pontellina plumata Dana, 1849 X X X
Pontellina sobrina (Fleminger & Hulsemann, 1974) X X
Pontellopsis armata Giesbrecht, 1889 X X
Pontellopsis lubbocki (Giesbrecht, 1889) * X
Pontellopsis perspicax (Dana, 1849) X X
Pontellopsis regalis Dana, 1849 X X X
Total 22 4 4 9 10

2.2 Densidad de especies

2.2.1 Gráficas de Rango-Densidad

La densidad total para la familia Pontellidae en el año 2019 fue de 750124 \(ind.1000m^{-3}\), la especie con mayor densidad fue Labidocera acuta con 584488 \(ind.1000m^{-3}\) seguida de Labidocera detruncata con 61754 \(ind.1000m^{-3}\). Las especies con menores densidades fueron Pontella spinicauda, Pontellina plumata y Labidocera churaumi con 84 \(ind.1000m^{-3}\) cada una. Esto significa que entre la primer especie y la segunda hay 10 veces la magnitud de la densidad y entre la primera y la última especie hay aproximadamente 10000 veces la magnitud de la densidad (Tabla suplementaria 1). El ensamble de la familia Pontellidae estuvo muy dominado por Labidocera acuta en su totalidad para el año 2019 (Figura suplementaria 2).

Tabla suplementaria 2. Abundancia de las especies de la famillia Pontellidae (Copepoda: Calanoida) en el año 2019 para la cuenca Pacífica Colombiana.

abundancia_Total<-read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)
abundancia_Total<-as.data.frame(t(abundancia_Total))
colnames(abundancia_Total)<-c("Densidad")
reactable(abundancia_Total, defaultPageSize = 22)

El comportamiento de la de la densidad total de la familia Pontellidae para el año 2019 se ajustó al modelo de abundancia teórico de Zipf y al de Mandelbrot (\(AIC_{Zipf} = 26598\) y \(AIC_{Mandelbrot} = 26600\)) (Figura suplementaria 2).

#Código para suprimir la notación científica
options(scipen=999)

#Carga de los datos para la estimación de los números de Hill####

abundancia_Total<-read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)
abundancia_Total<-as.data.frame(t(abundancia_Total))

#Gráficas de rango abundancia####
#Sumatoria de todas especies en el muestreo

Total_Rank_data<- rad.lognormal(abundancia_Total$V1)

Total_Rank_radfit<- radfit(abundancia_Total$V1)

Rango_Plot_total<-ggplot()+
  geom_point(aes(y=Total_Rank_data[["y"]], x=seq(1:22)))+
  scale_y_continuous(trans='log10', limits = function(x){c(min(x), ceiling(1000000))})+
  labs(colour = "", subtitle = "Rango - Densidad", title="Densidad Total",  x ="Rango", y =expression(paste("log(abundancia) [inv 1000 ", m^-3, "]")),tag="A.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text.y =  element_text(size = 8),
        axis.title =  element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


total_plot<-ggplot()+
  geom_point(aes(y=Total_Rank_radfit[["y"]], x=seq(1:22)))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:22),color="Null" ))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:22),color="Preemption"))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:22),color="Lognormal" ))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:22),color="Zipf"))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:22),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
labs(colour = "", subtitle = "Rango - Densidad", title="Densidad total",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="B.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))

gridExtra::grid.arrange(Rango_Plot_total,
                        total_plot,
                        ncol=1)

Figura suplementaria 2. Gráficas de Rango-Densidad y modelos de densidad para las especies de la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

Para las épocas hubo diferencias entre las densidades de las especies y la distribución de estas densidades. Para la época del jet de Panamá la especie más dominante fue L. acuta seguida de P. armata (Tabla Suplementaria 3) sin embargo para la época del jet del Chocó la especie más más dominante fue L. detruncata seguida de P mimocerani. Por su parte, en esta época L. acuta ocupó el cuarto puesto en cuanto a la densidad y P. armata no fue detectada para esta época (Tabla suplementaria 3).

direccion_Datos="../Datos/DwC/Occurrence_Pontellidae.csv"

Occ_Dwc<-read.table(direccion_Datos, header = TRUE, sep = ",")



#Creación del Data Frame de Análisis####
biolData_lon<-as.data.frame(cbind(Occ_Dwc$recordNumber, Occ_Dwc$decimalLatitude, Occ_Dwc$decimalLongitude, Occ_Dwc$scientificName,Occ_Dwc$organismQuantity))
colnames(biolData_lon)<-c("recordNumber", "decimalLatitude", "decimalLongitude", "scientificName", "organismQuantity")
biolData_lon$recordNumber<-as.factor(biolData_lon$recordNumber)
biolData_lon$scientificName<-as.factor(biolData_lon$scientificName)
biolData_lon$scientificName<-gsub("\\s+", "_", biolData_lon$scientificName)
biolData_lon$organismQuantity<-as.numeric(biolData_lon$organismQuantity)



biolData_lon$Codigo<-gsub("ENFEN-XXII-0", "Choco", biolData_lon$recordNumber) 
biolData_lon$Codigo<-gsub("ENFEN-XXI-0", "Panama", biolData_lon$Codigo)

biolData_lon$Temporada<-gsub("^(Choco).*", "Choco", biolData_lon$Codigo) 
biolData_lon$Temporada<-gsub("^(Panama).*", "Panama", biolData_lon$Temporada)

biolData_lon$Red<-gsub(".*-(\\d+)-.*", "\\1", biolData_lon$Codigo) 


biolData_lon$Estacion<-gsub(".*-(\\d+)", "\\1", biolData_lon$Codigo) 



#Creación de la matrix wide de los datos del densidad####
biolData_wide<-biolData_lon%>%
  tidyr::pivot_wider(names_from = scientificName,
              values_from = organismQuantity)


#Datos totales
abundancia_Total<-sort(apply(biolData_wide[,8:29], 2, sum), decreasing = TRUE)

#Datos por temporada####
Choco_long<-biolData_lon%>%subset(Temporada == "Choco")
Panama_long<-biolData_lon%>%subset(Temporada == "Panama")


Jet_Choco<-tapply(Choco_long$organismQuantity, Choco_long$scientificName, sum)
Jet_Panama<-tapply(Panama_long$organismQuantity, Panama_long$scientificName, sum)

Temporadas_total<-as.data.frame(t(rbind(Jet_Panama, Jet_Choco)))

reactable(Temporadas_total, defaultPageSize = 22)

En las gráficas de rango-densidad por épocas se puede notar que para la época del jet de Panamá el modelo de distribución de abundancias se ajustó más al modelo Zipf y al modelo de Mandelbrot (\(AIC_{Zipf} = 24808\) y \(AIC_{Mandelbrot} = 24810\)) y para la época del jet de Chocó, se ajustó más al modelo Lognormal (\(AIC_{Lognormal} = 1529.2\)) (Figura suplementaria 3.)

options(scipen=999)

#Carga de los datos para la estimación de lso números de Hill
Hill_temporadas<-utils::read.table("../Diversidad/Hill_temporadas.csv", sep=",",header=TRUE)
abundancia_Total<-utils::read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)


#Gráficas de rango abundancia####
#Sumatoria de todas especies en el muestreo

Total_Rank_data<- vegan::rad.lognormal(abundancia_Total)
Choco_Rank_data<- vegan::rad.lognormal(t(Hill_temporadas$Jet_Choco))
Panama_Rank_data<- vegan::rad.lognormal(t(Hill_temporadas$Jet_Panama))


Choco_Rank_radfit<- vegan::radfit(t(Hill_temporadas$Jet_Choco))
Panama_Rank_radfit<- vegan::radfit(t(Hill_temporadas$Jet_Panama))



Rango_Plot<-ggplot()+
  geom_point(aes(y=Choco_Rank_data[["y"]], x=seq(1:7), color="Jet Chocó"))+
  #geom_line(aes(y= Sizigia_Rank_fitplot[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:124) ),color="red")+
  geom_point(aes(y=Panama_Rank_data[["y"]], x=seq(1:21),color="Jet Panamá"))+
  #geom_line(aes(y= Cuadratura_Rank_fitplot[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:84) ),color="black")+
  scale_y_continuous(trans='log10', limits = function(x){c(min(x), ceiling(1000000))})+
  scale_color_manual(values = c("#2b83ba", "#fdae61"))+
  labs(colour = "", subtitle = "Rango - Densidad", title="Temporadas",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="A.")+
   theme_bw()+
  theme(legend.position="bottom", 
        axis.text.y =  element_text(size = 8),
        axis.title =  element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


choco_plot<-ggplot()+
  geom_point(aes(y=Choco_Rank_radfit[["y"]], x=seq(1:7)))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:7),color="Null" ))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:7),color="Preemption"))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:7),color="Lognormal" ))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:7),color="Zipf"))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:7),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
  
  labs(colour = "", subtitle = "Rango - Densidad", title="Jet Chocó",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="B.")+
   theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


panama_plot<-ggplot()+
  geom_point(aes(y=Panama_Rank_radfit[["y"]], x=seq(1:21)))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:21),color="Null" ))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:21),color="Preemption"))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:21),color="Lognormal" ))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:21),color="Zipf"))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:21),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
  
  labs(colour = "", subtitle = "Rango - Densidad", title="Jet Panamá",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="C.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))

g1<-gridExtra::arrangeGrob(Rango_Plot)
g2<-gridExtra::arrangeGrob(choco_plot,
                           panama_plot,
                           ncol=2)


gridExtra::grid.arrange(g1,
                        g2,
                        ncol=1)

Figura suplementaria 3. Gráficas de Rango-Abundancia y modelos de abundancia para las especies de la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

2.3 Medidas de diversidad

2.3.1 Diversidad observada

La diversidad observada a partir del cálculo de los números de Hill mostró que la diversidad de orden \(q_{0}\), que representa la riqueza (\(S\)) fue mucho más alta en la época del jet de Panamá (\(q_{0}=21\)) que en la época del jet del Chocó (\(q_{0}=7\)). Para la diversidad de orden \(q_{1}\) el jet de Panamá fue inferior (\(q_{1}= 2.12\)) a la del jet del Chocó (\(q_{1}=3.22\)) y para la diversidad de orden \(q_{2}\) en la época del jet de Panamá (\(q_{2}=1.42\)) también fue inferior a la del jet del Chocó (\(q_{2}=2.32\)) (Figura suplementaria 4).

require(hilldiv)
require(ggplot2)

 Hill_temporadas<-utils::read.table("../Diversidad/Hill_temporadas.csv", sep=",",header=TRUE)
 Hill_temporadas2<-Hill_temporadas[,2:3]
 base::row.names(Hill_temporadas2)<-Hill_temporadas$Especies
 
 D0_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 0)
 D1_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 1)
 D2_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 2)
 
 Div_hill_Total<-base::list(D0_Hill_temporadas,D1_Hill_temporadas,D2_Hill_temporadas)
 Div_hill_Total_df<-base::as.data.frame(Div_hill_Total)
 base::colnames(Div_hill_Total_df)<-c("q0", "q1","q2")
 
 Div_hill_Total_df_trans<-base::as.data.frame(t(Div_hill_Total_df))
 Div_hill_Total_df_trans$Orden<-c(0,1,2)
 
 
 Rango_DivPlot <- ggplot2::ggplot() +
   geom_line(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Choco ), color = "blue", lwd = 0.5, linetype = 1) +
   geom_point(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Choco ), color = "blue", size =3) +
    geom_line(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Panama ), color = "red", lwd = 0.5, linetype = 1) +
   geom_point(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Panama ), color = "red", size =3) +
    labs(
     title = "Perfiles de diversidad",
     x = "Orden",
     y = "Diversidad",
     color = "Variable") +
   scale_color_manual(values = c("Jet_Choco" = "blue", "Jet_Panama" = "red")) +
   annotate("text", x = 0.1, y = 8, label = "Jet Chocó", size = 5, color = "black") +
   annotate("text", x = 0.1, y = 22, label = "Jet Panamá", size = 5, color = "black") +
   theme_minimal()
 
  Rango_DivPlot

Figura suplementaria 4. Perfiles de diversidad observada la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

2.3.2 Diversidad estimada

Al realizar las estimaciones en todos los ordenes de diversidad, basada en el número de individuos o más exactamente la densidad, se pudo observar que las tendencias observadas se mantienen sin modificación, donde en el jet de Panamá se puede observar que la diversidad de orden \(q_{0}\) o riqueza sigue siendo mucho más alta que la obtenida en el jet del Chocó y que para las divesidades de orden \(q_{1}\) y \(q_{2}\) la tendencia a que el jet del Chocó tenga valores más altos que el jet de Panamá se mantiene.

En el comportamiento de las curvas de rarefacción se observó que la detección de especies nuevas a medida que aumenta el esfuerzo de conteo basados en la densidad, se estabiliza para el jet de Panamá en aproximadamente unas 25000 \(ind.1000m^{-3}\) y este comportamiento es similar a la época del jet del Chocó (Figura suplementaria 5).

knitr::include_graphics("../Diversidad/Hill_extrapolation_plots.png")

Figura suplementaria 5. Curvas de rarefacción y de estimación de la diversidad medida con los números de Hill en los ordenes \(q_{0}\) , \(q_{1}\) y \(q_{2}\) para las épocas climáticas del jet de Panamá y el jet del Chocó.

2.4 Composición

2.4.1 Análisis de similitud

El análisis de similitud (ANOSIM) basado en los datos de densidad arrojó que existe una diferencia significativa (\(p<0.01\)) entre los épocas climáticas sin embargo esta es moderada (\(R = 0.544\) ) lo que sugiere que aproximadamente el 55% de la variación total se debe a las diferencias entre las épocas, mientras que el otro 45% puede atribuirse a la variación dentro de las épocas (Figura suplementaria 6). Para el mismo análisis de similitud basado en la incidencia se obtuvieron resultados significativos (\(p<0.01\)) similares sin embargo las diferencias entre grupos fue explicada aún mas por la diferencia entre épocas (\(R = 0.602\)) y que la variación interna de las épocas (Figura suplementaria 6).

#Compisición####
 
 Densidad_matriz_total<-readxl::read_excel("../Diversidad/Densidad_pontellidae.xlsx", sheet="Densidad_Sin_Ceros")
 Inc_Total<-read.table("../Diversidad/Incidencia_Total.csv", header=TRUE, sep=",")
 
 ##Anosim
 Densidad_matriz_total$Temporada_Estaciones <- paste(Densidad_matriz_total$Temporada, Densidad_matriz_total$Estaciones, sep = "_")
 Densidad_matrix_anosim<-as.data.frame(Densidad_matriz_total[,5:26])
 rownames( Densidad_matrix_anosim)<-  Densidad_matriz_total$Temporada_Estaciones
 grupos<-factor(Densidad_matriz_total$Temporada)
 
 Densidad_resultado_anosim<- anosim(Densidad_matrix_anosim, grupos, distance="bray", permutations = 999)


 Inc_Total$Temporada_Estaciones <- paste(Inc_Total$Temporada, Inc_Total$Estaciones, sep = "_")
 Incidendia_matrix_anosim<-Inc_Total[,3:24]
 rownames(Incidendia_matrix_anosim)<- Inc_Total$Temporada_Estaciones
 grupos<-factor(Inc_Total$Temporada)
 
 Incidencia_resultado_anosim <- anosim(Incidendia_matrix_anosim, grupos, distance="bray", permutations = 999)

 par(mfrow = c(2, 1))
 plot(Densidad_resultado_anosim, 
      main="ANOSIM basada en densidad",
      xlab="Clases",
      ylab="Rango de distancias")
 plot(Incidencia_resultado_anosim, 
      main="ANOSIM basada en incidencia",
      xlab="Clases",
      ylab="Rango de distancias")

Figura suplementaria 6. Diagrámas de cajas del análisis de similitud entre las épocas climáticas del Jet del Chocó y del Jet de Panamá de las especies de la familia Pontellidae basadas en la densidad y en la incidencia.

2.4.2 Escalamiento multidimensional no métrico

El escalamiento dimensional no métrico nos muestra que hay una superposición parcial de los grupos basados en la incidencia de las especies, lo que corrobora el análisis de similitud, lo que quiere decir que muchas especies son compartidas entre las dos épocas.

knitr::include_graphics("../Diversidad/NMDS_plots.png")

Figura suplementaria 7. Escalamiento multidimensional no métrico para las épocas climáticas del Jet de Panamá y el Jet del Chocó.

2.4.3 Porcentaje de similitud

El análisis de porcentaje de similitud arrojó que las especies Labidocera acuta (\(p<0.1\)) y Labidocera detruncata (\(p<0.01\)) son las que de manera significativa más aportan a la diferencia entre las épocas cuando se realiza el análisis basado en la densidad. Para el análisis basado en la incidencia, las especies que más aportan a la diferencia fueron: Labidocera detruncata (\(p<0.01\)), Labidocera acuta (\(p<0.01\)) y Pontellopsis armata (\(p<0.05\)).

3 Variable oceanográficas

3.1 Variables fisicoquímicas medidas en campo

Las variables oceanográficas medias para comprar las épocas climáticas e identificar si estas presentan diferencias generales, se encontró que no tienen una distribución no homogénea en ninguna de las variables. Los análisis pareados de Wilcoxon mostraron que no existen diferencias significativas entre las épocas en los silicatos (\(W=192\), \(p=0.3\)) y el oxígeno disuelto (\(W=88\), \(p=0.53\)). El amonio (\(W=35\), \(p<0.05\)), los nitritos (\(W=6\), \(p<0.05\)), nitratos (\(W=80\), \(p<0.05\)), los fosfatos (\(W=88\), \(p<0.05\)), la temperatura (\(W=469\), \(p<0.05\)) y la salinidad (\(W=129\), \(p<0.05\)) mostraron diferencias significativas (Figura suplementaria 7).

knitr::include_graphics("../Fisicoquimicos/datos_fisicoquimicos.png")

Figura suplementaria 8. Diagrama de cajas y hojas para las variables fisicoquímicas entre las épocas climáticas de la ecorregión de la bahía de Panamá.

3.2 Variables fisicoquímicas obtenidas de sensores remotos

3.2.1 Comportamiento de las variables oceanográficas

3.2.1.1 Temperatura

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Temperatura_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Temperatura_-_Chorro_de_Chocó.png")

3.2.1.2 Salinidad

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Salinidad_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Salinidad_-_Chorro_de_Chocó.png")

3.2.1.3 Alturas de la superficie del mar

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Altura_de_la_Superficie_del_mar_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Altura_de_la_Superficie_del_mar_-_Chorro_de_Chocó.png")

3.2.1.4 Profundidad de la Capa de mezcla

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Capa_de_mezcla_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Capa_de_mezcla_-_Chorro_de_Chocó.png")

3.2.1.5 Corrientes

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Corrientes_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Corrientes_-_Chorro_de_Chocó.png")

3.2.1.6 Profundidad de la zona eufótica

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Profundidad_Zona_Eufótica_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Profundidad_Zona_Eufótica_-_Chorro_de_Chocó.png")

3.2.1.7 Productividad Primaria

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Productividad_Primaria_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Productividad_Primaria_-_Chorro_de_Chocó.png")

3.2.1.8 Carbono aportado por el zooplancton

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Carbono_aportado_por_el_Zooplancton_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Carbono_aportado_por_el_Zooplancton_-_Chorro_de_Chocó.png")

3.2.2 Estadísticas descriptivas

A partir del comportamiento de las variables oceanográficas en los días que se realizaron los cruceros se obtuvieron las medidas de tendencia central y las medidas de dispersión más adecuadas para caracterizar su comportamiento.

Con los gráficos de la distribución de frecuencias de cada variable se pudo observar que ninguna de las variables tuvo una distribución simétrica con respecto a la media (Figura suplementaria 9 y Figura suplementaria 11).

Debido a que la distribución de frecuencia de los datos no es simétrica, la medida de tendencia central más adecuada para describir las variables sería la mediana y la medida de dispersión sería el rango intercuarltílico (Figura suplementaria 10 y Figura suplementaria 12). Con estos dos estadísticos se construyeron las capas descriptivas que servirán para realizar las modelaciones posteriores.

3.2.2.1 Jet de Panamá

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Histogramas01.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Histogramas02.png")

Figura suplementaria 9. Distribución de frecuencias de las variables oceanográficas tomadas de los modelos numéricos durante la actividad del Jet de Panamá.

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Estadisticos_Mapa_01.png")

Figura suplementaria 10. Distribución geográfica de las medianas y los rangos intercuartílicos (RIQ) de las variables oceanográficas durante el Jet de Panamá, utilizadas para los procesos de modelado estadístico.

3.2.2.2 Jet del Chocó

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Histogramas01.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Histogramas02.png")

Figura suplementaria 10. Distribución de frecuencias de las variables oceanográficas tomadas de los modelos numéricos durante la actividad del Jet de Chocó

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Estadisticos_Mapa_01.png")

Figura suplementaria 12. Distribución geográfica de las medianas y los rangos intercuartílicos (RIQ) de las variables oceanográficas durante el Jet de Chocó, utilizadas para los procesos de modelado estadístico.

3.2.3 Correlaciones entre variables

3.2.3.1 Jet de Panamá

library(reactable)

table<-readxl::read_excel("../Fisicoquimicos/Datos_Externos/layers/Panama/Corr_matrix_Panama.xlsx", sheet="Corr_matrix_Panama")



reactable(table,defaultPageSize = 25,columns = list(
  alturas_IQR = colDef(style = function(value) {
    if (value >= 0.50) {
      color <- "blue"
    } else {
      if (value <= -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }}
    list(color = color, fontWeight = "bold")
  }),
  
  alturas_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  alturas_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  CarbonZoo_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
,
  CarbonZoo_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  
))
knitr::include_graphics("../Fisicoquimicos/Datos_Externos/layers/Panama/corr_Matrix_Panama.png")

Figura suplementaria 13. Correlación entre las variables oceanográficas durante el Jet de Panamá, utilizadas para los procesos de modelado estadístico.

3.2.3.2 Jet de Chocó

library(reactable)

table<-readxl::read_excel("../Fisicoquimicos/Datos_Externos/layers/Choco/Corr_matrix_Choco.xlsx", sheet="Corr_matrix_Choco")

reactable(table,defaultPageSize = 25,
          columns = list(
  alturas_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  alturas_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  alturas_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  CarbonZoo_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
,
  CarbonZoo_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_IQR = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_median = colDef(style = function(value) {
    if (value > 0.50) {
      color <- "blue"
    } else if (value < -0.50) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  
))
knitr::include_graphics("../Fisicoquimicos/Datos_Externos/layers/Choco/corr_Matrix_Choco.png")

Figura suplementaria 14. Correlación entre las variables oceanográficas durante el Jet de Chocó, utilizadas para los procesos de modelado estadístico.

4 Análisis Espacial

La evaluación de la existencia de estructura espacial fue evaluada para los niveles de diversidad, la densidad y la composición en cada una de las temporadas.

4.1 Análisis espacial de la diversidad

El Procedimiento de Permutación Multi Respuesta (Multiresponse Permutation Procedure - MRPP) mostró que hay diferencias significativas entre las temporadas teniendo en cuenta todos los niveles de diversidad (\(MRPP\) \(A=0.13\), \(\delta_{observado} = 2.34\), \(\delta_{esperado} = 2.69\), \(p<0.05\), \(permutaciones = 999\)).

El análisis del I de Moran mostró que para la diversidad de orden \(q0\) no existió ninguna estructura espacial en ninguna de las temporadas (\(q_{0_{Panama}}\) \(I_{observada}=-0.03\), \(I_{esperada}=-0.04\), \(p=0.23\); \(q_{0_{Choco}}\) \(I_{observada}=-0.04\), \(I_{esperada}=-0.03\), \(p=0.807\)), lo mismo que para la diversidad de orden \(q_{1}\) (\(q_{1_{Panama}}\) \(I_{observada}=-0.05\), \(I_{esperada}=-0.04\), \(p=0.68\); \(q_{1_{Choco}}\) \(I_{observada}=-0.04\), \(I_{esperada}=-0.03\), \(p=0.807\)) y \(q_{2}\) (\(q_{2_{Panama}}\) \(I_{observada}=-0.05\), \(I_{esperada}=-0.04\), \(p=0.68\); \(q_{2_{Choco}}\) \(I_{observada}=-0.04\), \(I_{esperada}=-0.03\), \(p=0.77\)) (Figura suplementaria 15).

knitr::include_graphics("../Diversidad/Diversidad_Pontellidae_Mapa.png")

Figura suplementaria 15. Distribución espacial de los ordenes de diversidad \(q_{0}\), \(q_{1}\) y \(q_{2}\) durante las épocas de los jet de Panamá y Chocó.

4.2 Análisis espacial de la densidad

4.2.1 Jet Panamá

El análisis del I de Moran para la densidad total en la temporada del Jet de Panamá no mostró evidencia significativa de autocorrelación espacial (\(p = 0.9349\)). El valor del I de Moran fue ligeramente negativo (\(-0.0697\)), indicando una débil tendencia a que los valores cercanos sean diferentes entre sí, pero esta tendencia no es estadísticamente significativa.

knitr::include_graphics("../Diversidad/Panama_Densidad_total.png")

Figura suplementaria 16. Densidad total de la familia Pontellidae en la temporada del Jet de Panamá.

Tabla suplementaria XXX. Densidad de las especies de la Familia Pontellidae en la temporada del Jet de Panamá.

library(reactable)
Densidad_Autocorrelacion<-readxl::read_excel("../Diversidad/Densidad_pontellidae.xlsx", sheet="Estaciones_Total")


Panama_Densidad<-subset(Densidad_Autocorrelacion, Temporada=="Jet_Panama")
reactable(Panama_Densidad, defaultPageSize = 24)

De las 22 especies encontradas en esta temporada solo 7 especies tiene más de un registro de densidad en las estaciones: Labidocera acuta (24 estaciones), Labidocera detruncata (5 estaciones), Labidocera nerii (3 estaciones), Labidocera aestiva (2 estaciones), Pontellopsis armata (13 estaciones), Pontellopsis perspicax (2 estaciones) y Pontella mimocerami (2 estaciones).

De estas especies solo la especie Pontella mimocerami presentó una estructura espacial negativa significativa, sin embargo el I del Moran es muy bajo \(I_{observada}=-0.02\), \(I_{esperada}=-0.04\), \(p=0.017\) y esto fue el resultado de una evaluación basada solo en los datos de dos estaciones.

knitr::include_graphics("../Diversidad/Abundancias_especies_Panama_01.png")

knitr::include_graphics("../Diversidad/Abundancias_especies_Panama_02.png")

knitr::include_graphics("../Diversidad/Abundancias_especies_Panama_03.png")

Figura suplementaria 17. Densidad de cada especie de la familia Pontellidae en la temporada del Jet de Panamá.

4.2.2 Jet Chocó

El análisis del I de Moran para la densidad total en la temporada del Jet del Chocó no mostró evidencia significativa de autocorrelación espacial (\(p = 0.880\)). El valor del I de Moran fue ligeramente negativo (\(-0.0545\)), indicando una débil tendencia a que los valores cercanos sean diferentes entre sí, pero esta tendencia no es estadísticamente significativa.

knitr::include_graphics("../Diversidad/Choco_Densidad_total.png")

Figura suplementaria 18. Densidad total de la familia Pontellidae en la temporada del Jet de Chocó.

De las 7 especies encontradas en esta temporada cuatro especies tiene más de un registro de densidad en las estaciones

Tabla suplementaria XXX. Densidad de las especies de la Familia Pontellidae en la temporada del Jet de Chocó.

library(reactable)
Densidad_Autocorrelacion<-readxl::read_excel("../Diversidad/Densidad_pontellidae.xlsx", sheet="Estaciones_Total")


Choco_Densidad<-subset(Densidad_Autocorrelacion, Temporada=="Jet_Choco")
reactable(Choco_Densidad, defaultPageSize = 32)

De las 7 especies encontradas en esta temporada solo 4 especies tiene más de un registro de densidad en las estaciones: Labidocera acuta (6 estaciones), Labidocera detruncata (14 estaciones), Pontella mimocerami (4 estaciones) y Pontella morii (3 estaciones).

De estas especies solo la especie PLabidocera detruncata presentó una estructura espacial positiva significativa, sin embargo el I del Moran fue muy bajo \(I_{observada}= 0.007\), \(I_{esperada}=-0.032\), \(p=0.012\) lo que se puede tomar como una explicación insuficiente de la densidad de esta especie.

knitr::include_graphics("../Diversidad/Abundancias_especies_Choco.png")

Figura suplementaria 19. Densidad de cada especie de la familia Pontellidae en la temporada del Jet de Chocó

4.3 Análisis espacial de la composición

Para la temporada del Jet de Panamá, el test de Mantel basado en la correlación por rangos de Spearman entre las matrices de distancia de Bray-Curtis de la composición y las distancias geográficasno mostró evidencia de correlación significativa (\(r = -0.001021\), \(p=0.5\)). Esto indica que no hay una relación espacial significativa en los datos Jet Panamá, sugiriendo que las diferencias en la composición de las comunidades no están influenciadas por la proximidad geográfica.

Para la temporada del Jet de Chocó, El test de Mantel mostró una correlación positiva moderada (\(r = 0.40\)) y altamente significativa (\(p = 0.001\)). Esto indica que existe una relación espacial significativa, donde las distancias en la matriz de Bray-Curtis están moderadamente correlacionadas con las distancias geográficas, sugiriendo que las diferencias en la composición de las comunidades están influenciadas por la proximidad geográfica.

knitr::include_graphics("../Diversidad/Composicion_Autocorrelacion.png")

Figura suplementaria 20. Correlogramas de la composición de las especies de la familia Pontellidae en las temporadas del Jet de Panamá y el Jet del Chocó.

5 Modelación

5.1 Modelación de la diversidad

El pronóstico espacial de la diversidad en sus diferentes ordenes mostró que para el orden \(q_{0}\) la porción noroeste de la ecorregión de la bahía de Panamá presentó la mayor riqueza por encima de la riqueza que se detectó en la muestras, durante la temporada del Jet de Panamá. Con respecto a la la temporada del Jet del Chocó, la mayor riqueza se pronosticó para la porción norte de la ecorregión cerca a las costas del continente.

Para la diversidad del orden \(q_{1}\), en la temporada del Jet de Panamá, hay una distribución no homogénea de la riqueza donde la mayor diversidad se encuentra en la porción sur de la ecorregión. Para la temporada de Jet del Chocó el patrón de la diversidad \(q_{1}\) se asemeja mucho a la de la diversidad del orden \(q_{0}\), donde la porción norte del área se pronosticó la mayor diversidad.

Para diversidad de orden \(q_{2}\) en la temporada de Panamá, el pronóstico mostró una distribución homogénea a la largo de toda la cuenca Pacífica. Para la temporada del Chocó la distribución de la diversidad del orden \(q_{2}\) mantuvo un patrón similar al de los ordenes \(q_{0}\) y \(q_{1}\).

knitr::include_graphics("../Modelacion/Riqueza/Pronostico_Diversidad_Pontellidae_Mapa.png")

Figura suplementaria 21. Mapas de pronóstico de los ordenes de diversidad \(q_{0}\), \(q_{1}\) y \(q_{2}\) basado en los modelos GAM.

5.1.1 Diversidad de orden \(q_{0}\)

El análisis GAM indicó que la mediana de la capa de mezcla, el IQR de las alturas y la mediana de la temperatura son factores significativos que influyen en la diversidad del orden \(q_{0}\), mientras que la variabilidad de la temperatura (RQI) no tuvo un impacto significativo. El modelo explicó aproximadamente el 46.8% de la variabilidad en la diversidad \(q_{0}\), sugiriendo que otros factores también podrían estar influyendo en la diversidad que no fueron considerados en este modelo (Figura suplementaria 22).

Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)   0.3521     0.1168   3.016  0.00256 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Approximate significance of smooth terms:
                            edf Ref.df Chi.sq  p-value    
s(capaMezcla_median)  1.339e+00      9  9.726 0.000794 ***
s(alturas_IQR)        4.609e+00      9 14.957 0.003306 ** 
s(Temperatura_IQR)    5.127e-06      9  0.000 0.547748    
s(Temperatura_median) 4.281e+00      9 21.031 0.000113 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =  0.463   Deviance explained = 46.8%
UBRE = 0.43303  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Riqueza/q0_GAM_plot.png")

Figura suplementaria 22. Curvas de respuesta del modelo GAM sobre las variables predictivas de la diversidad de orden \(q_{0}\). (*** nivel de significancia del 99.999% (\(p<0.001\)), ** nivel de significancia del 99.99% (\(p<0.01\)))

5.1.2 Diversidad de orden \(q_{1}\)

Para la diversidad del orden \(q_{1}\), el análisis GAM mostró que la mediana de la capa de mezcla y el RQI de las alturas son factores significativos en el ajuste de modelo, respectivamente, mientras que el RIQ y la mediana de la temperatura no son significativos. El intercepto tiene una significancia marginal (p = 0.0948). El modelo explica aproximadamente el 21% (R-cuadrado ajustado = 0.21) de la diversidad del orden \(q_{1}\), lo que sugiere que aunque algunos factores ambientales son importantes, hay otros factores adicionales que también afectan la diversidad y que no se han incluido en este modelo (Figura suplementaria 23).

Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)  
(Intercept)   0.2051     0.1228   1.671   0.0948 .
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Approximate significance of smooth terms:
                            edf Ref.df Chi.sq p-value  
s(capaMezcla_median)  1.085e+00      9  5.251  0.0109 *
s(alturas_IQR)        5.145e+00      9 11.106  0.0356 *
s(Temperatura_IQR)    5.479e-06      9  0.000  0.8180  
s(Temperatura_median) 6.091e-06      9  0.000  0.4530  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =   0.21   Deviance explained =   26%
UBRE = 0.18281  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Riqueza/q1_GAM_plot.png")

Figura suplementaria 23. Curvas de respuesta del modelo GAM sobre las variables predictivas de la diversidad de orden \(q_{1}\). (* nivel de significancia del 99.95% (\(p<0.05\)))

5.1.3 Diversidad de orden \(q_{2}\)

Para la diversidad del orden \(q_{1}\), el análisis GAM mostró la mediana de la capa de mezcla es el único parámetro que mostró una influencia significativa (\(p = 0.0272\)). El RQI de las alturas, así como el RQI y la mediana de la Temperatura, no mostraron ajustes significativos (\(p = 0.1107\), \(0.5792\) y \(0.5797\), respectivamente). El modelo explicó un 19.6% de la diversidad de orden \(q_{2}\), indicando que el modelo sólo explica parcialmente la variabilidad de la este orden de diversidad (Figura suplementaria 24).

Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   0.1758     0.1234   1.425    0.154

Approximate significance of smooth terms:
                            edf Ref.df Chi.sq p-value  
s(capaMezcla_median)  1.013e+00      9  3.789  0.0272 *
s(alturas_IQR)        3.595e+00      9  6.270  0.1107  
s(Temperatura_IQR)    3.906e-06      9  0.000  0.5792  
s(Temperatura_median) 8.045e-06      9  0.000  0.5797  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =  0.165   Deviance explained = 19.6%
UBRE = 0.097925  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Riqueza/q2_GAM_plot.png")

Figura suplementaria 24. Curvas de respuesta del modelo GAM sobre las variables predictivas de la diversidad de orden \(q_{2}\) (* nivel de significancia del 99.95% (\(p<0.05\)))

5.2 Modelación de la abundancia

5.2.1 Densidad total

El modelo GAM muestra que todas las covariables incluidas (capaMezcla_median, alturas_IQR, Temperatura_IQR, y Temperatura_median) tienen un efecto significativo en la densidad de la familia Pontellidae. La alta desviación explicada y el R-cuadrado ajustado sugieren que el modelo tiene un ajuste muy bueno y es capaz de explicar casi toda la variabilidad en los datos de densidad de individuos de la familia Pontellidae (Figura suplementaria 25).

Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  3.70157    0.03274   113.1   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Approximate significance of smooth terms:
                        edf Ref.df Chi.sq p-value    
s(capaMezcla_median)  9.000      9  51344  <2e-16 ***
s(alturas_IQR)        8.999      9  70940  <2e-16 ***
s(Temperatura_IQR)    8.999      9 188233  <2e-16 ***
s(Temperatura_median) 8.999      9 106706  <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =  0.995   Deviance explained = 97.2%
UBRE = 1317.3  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Riqueza/DensidadTotal_GAM_plot.png")

Figura suplementaria 25. Curvas de respuesta del modelo GAM sobre las variables predictivas de la densidad total de la familia Pontellidae para la cuenca Pacífica Colombiana en el año 2019. (*** nivel de significancia del 99.999% (\(p<0.001\))).

5.2.2 Labidocera acuta

El modelo GAM muestra que todas las covariables incluidas (capaMezcla_median, alturas_IQR, Temperatura_IQR, y Temperatura_median) tienen un efecto significativo en la densidad de la especie Labidocera acuta. La alta desviación explicada y el R-cuadrado ajustado sugieren que el modelo tiene un ajuste muy bueno y es capaz de explicar casi toda la variabilidad en los datos de densidad de Labidocera acuta (Figura suplementaria 26).

Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   -19556      21090  -0.927    0.354

Approximate significance of smooth terms:
                        edf Ref.df Chi.sq             p-value    
s(capaMezcla_median)  7.999  6.000   2830 <0.0000000000000002 ***
s(alturas_IQR)        8.490  8.748  14874 <0.0000000000000002 ***
s(Temperatura_IQR)    8.893  8.957  32732 <0.0000000000000002 ***
s(Temperatura_median) 8.945  8.994  27260 <0.0000000000000002 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =      1   Deviance explained =  100%
UBRE = 0.29087  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Lacuta/LacutaDensidad_GAM_plot.png")

Figura suplementaria 26. Curvas de respuesta del modelo GAM sobre las variables predictivas de la densidad de Labidocera acuta para la cuenca Pacífica Colombiana en el año 2019. (*** nivel de significancia del 99.99% (\(p<0.001\)))

5.2.3 Labidocera detruncata

Para la especie Labidocera detruncata el modelo de densidad mostró que la profundidad de la capa de mezcla tuvo un efecto significativo (\(p<0.001\)) (Figura suplementaria 27).


Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   -679.1    30190.4  -0.022    0.982

Approximate significance of smooth terms:
                        edf Ref.df Chi.sq    p-value    
s(capaMezcla_median)  8.759  8.821 47.484 0.00000111 ***
s(alturas_IQR)        2.755  3.058  2.962      0.382    
s(Temperatura_IQR)    6.048  6.060  1.993      0.927    
s(Temperatura_median) 6.769  6.848  3.153      0.872    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

R-sq.(adj) =      1   Deviance explained =  100%
UBRE = -0.094054  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Ldetruncata/LdetruncataDensidad_GAM_plot.png")

Figura suplementaria 27. Curvas de respuesta del modelo GAM sobre las variables predictivas de la densidad de Labidocera detruncata para la cuenca Pacífica Colombiana en el año 2019. (*** nivel de significancia del 99.99% (\(p<0.001\)))

5.2.4 Pontellopsis armata

Para la especie Pontellopsis armata el modelo GAM no mostró ningún ajuste con ninguna de las variables analizadas (Figura suplementaria 28).


Family: poisson 
Link function: log 

Formula:
.outcome ~ s(capaMezcla_median) + s(alturas_IQR) + s(Temperatura_IQR) + 
    s(Temperatura_median)

Parametric coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   -159.4    60083.1  -0.003    0.998

Approximate significance of smooth terms:
                        edf Ref.df Chi.sq p-value
s(capaMezcla_median)  1.000  1.000      0   0.999
s(alturas_IQR)        2.882  2.893      0   1.000
s(Temperatura_IQR)    5.044  5.056      0   1.000
s(Temperatura_median) 5.031  5.063      0   1.000

R-sq.(adj) =      1   Deviance explained =  100%
UBRE = -0.46582  Scale est. = 1         n = 56
knitr::include_graphics("../Modelacion/Parmata/ParmataDensidad_GAM_plot.png")

Figura suplementaria 28. Curvas de respuesta del modelo GAM sobre las variables predictivas de la densidad de Pontellopsis armata para la cuenca Pacífica Colombiana en el año 2019. (*** nivel de significancia del 99.99% (\(p<0.001\)))

5.3 Modelación de la distribución

5.3.1 Labidocera acuta

knitr::include_graphics("../Modelacion/Lacuta/Lacuta_Importancia_Variables_ROC.png")

knitr::include_graphics("../Modelacion/Lacuta/Lacuta_prediccion_Mapa.png")

Figura suplementaria XXX Mapas de pronóstico de la distribución de la especie Labidocera acuta en las temporadas del jet de Panamá y el Jet del Chocó, para los tres algoritmos usado: glm - Generalized Linear Models, rf - Random Forest y knn - k- Nearest Neighbor.

knitr::include_graphics("../Modelacion/Lacuta/Lacuta_glm_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Lacuta/Lacuta_RF_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Lacuta/Lacuta_knn_Response_Curve_join.png")

5.3.2 Labidocera detruncata

knitr::include_graphics("../Modelacion/Ldetruncata/Ldetruncata_Importancia_Variables_ROC.png")

knitr::include_graphics("../Modelacion/Ldetruncata/Ldetruncata_prediccion_Mapa.png")

Figura suplementaria XXX Mapas de pronóstico de la distribución de la especie Labidocera detruncata en las temporadas del jet de Panamá y el Jet del Chocó, para los tres algoritmos usado: glm - Generalized Linear Models, rf - Random Forest y knn - k- Nearest Neighbor.

knitr::include_graphics("../Modelacion/Ldetruncata/Ldetruncata_glm_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Ldetruncata/Ldetruncata_RF_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Ldetruncata/Ldetruncata_knn_Response_Curve_join.png")

5.3.3 Pontellopsis armata

knitr::include_graphics("../Modelacion/Parmata/Parmata_Importancia_Variables_ROC.png")

knitr::include_graphics("../Modelacion/Parmata/Parmata_prediccion_Mapa.png")

Figura suplementaria XXX Mapas de pronóstico de la distribución de la especie Pontellopsis armata en las temporadas del jet de Panamá y el Jet del Chocó, para los tres algoritmos usado: glm - Generalized Linear Models, rf - Random Forest y knn - k- Nearest Neighbor.

knitr::include_graphics("../Modelacion/Parmata/Parmata_glm_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Parmata/Parmata_RF_Response_Curve_join.png")

knitr::include_graphics("../Modelacion/Parmata/Parmata_knn_Response_Curve_join.png")

References

Amador, Jorge A., Eric J. Alfaro, Omar G. Lizano, and Victor O. Magaña. 2006. “Atmospheric Forcing of the Eastern Tropical Pacific: A Review.” Progress in Oceanography 69 (2-4): 101–42. https://doi.org/10.1016/j.pocean.2006.03.007.
Bakker, Jonathan D. 2024. “SIMPER.” Applied Multivariate Statistics in R.
Chao, Anne, Nicholas J. Gotelli, T. C. Hsieh, Elizabeth L. Sande, K. H. Ma, Robert K. Colwell, and Aaron M. Ellison. 2014. “Rarefaction and Extrapolation with Hill Numbers: A Framework for Sampling and Estimation in Species Diversity Studies.” Ecological Monographs 84: 45–67.
He, Fangliang, and Danling Tang. 2008. “Estimating the Niche Preemption Parameter of the Geometric Series.” Acta Oecologica 33 (1): 105–7.
Hill, Mark O. 1973. “Diversity and Evenness: A Unifying Notation and Its Consequences.” Ecology 54 (2): 427–32.
Jost, L. 2007. Partitioning diversity into independent alpha and beta components.” Ecology 88 (10): 2427–39. http://www.esajournals.org/doi/abs/10.1890/06-1736.1.
Jost, Lou. 2006. Entropy and diversity.” Oikos 113 (2): 363–75. https://doi.org/10.1111/j.2006.0030-1299.14714.x.
MacArthur, Robert H. 1957. “On the Relative Abundance of Bird Species.” Proceedings of the National Academy of Sciences 43 (3): 293–95.
Magurran, Ann E. 2005. “Species Abundance Distributions: Pattern or Process?” Functional Ecology 19 (1): 177–81.
Martı́nez Aguilar, Tulia Isabel, Alan Giraldo López, and Efraı́n Rodrı́guez Rubio. 2007. “Zooplancton En La Corriente de Colombia, Pacı́fico Colombiano, Durante Marzo de 2006.” Boletín Científico de CCCP 14: 101–42.
Oksanen, Jari, Gavin L. Simpson, F. Guillaume Blanchet, Roeland Kindt, Pierre Legendre, Peter R. Minchin, R. B. O’Hara, et al. 2022. Vegan: Community Ecology Package. https://CRAN.R-project.org/package=vegan.
Poveda, Germán, and Oscar J Mesa. 2000. “On the Existence of Lloró (the Rainiest Locality on Earth): Enhanced Ocean-Land-Atmosphere Interaction by a Low-Level Jet.” Geophysical Research Letters 27 (11): 1675–78.
R Core Team. 2023. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Spalding, Mark D., Helen E. Fox, Gerald R. Allen, Nick Davidson, Zach A. Ferdaña, Max Finlayson, Benjamin S. Halpern, et al. 2007. “Marine Ecoregions of the World: A Bioregionalization of Coastal and Shelf Areas.” BioScience 57 (7): 573–83. https://doi.org/10.1641/B570707.
Spatharis, Sofie, and George Tsirtsis. 2013. “Zipf–Mandelbrot Model Behavior in Marine Eutrophication: Two Way Fitting on Field and Simulated Phytoplankton Assemblages.” Hydrobiologia 714: 191–99.
Stevens, Martin Henry Hoffman et al. 2009. A Primer of Ecology with r. Springer.
Wickham, Hadley. 2016. Ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org.
Zipf, George Kingsley. 2016. Human Behavior and the Principle of Least Effort: An Introduction to Human Ecology. Ravenio books.